TensorFlow/Keras多输入自定义层构建报错求助

错误原因梳理 #

1. __init__方法误用：自定义Layer的__init__不应接收输入张量（x/y/A），仅需传入配置类参数，输入数据在call阶段传入
2. build方法签名错误：TensorFlow的Layer.build仅接受一个input_shape参数，多输入场景下该参数是各输入shape组成的元组
3. 代码笔误：call方法中x_w是笔误，结合上下文逻辑修正为x + w
4. 实例化方式错误：多输入Layer无需在初始化时传入shape，直接调用时传入输入张量即可
5. 运算鲁棒性不足：除法未处理除零，需用tf.math.divide_no_nan避免NaN
6. 维度匹配问题：条件判断需确保K.abs(LHS)与y维度一致

修正后的完整代码 #

import tensorflow as tf
from tensorflow.keras import backend as K
import numpy as np

class MyLayer(tf.keras.layers.Layer):
    def __init__(self):
        super().__init__()

    def build(self, input_shape):
        # input_shape是元组，对应(x.shape, y.shape, A.shape)
        x_shape = input_shape[0]
        self.w = self.add_weight(
            shape=(x_shape[-1],),
            initializer="random_normal",
            trainable=True,
            name="trainable_weight_w"
        )

    def call(self, inputs):
        # 解构多输入
        x, y, A = inputs
        
        # 计算核心逻辑，修正笔误并处理除零
        Ax = tf.matmul(A, x)
        diff = Ax - y
        abs_diff = K.abs(diff)
        
        # 修正x_w为x + w，用divide_no_nan避免除零
        alpha = tf.math.divide_no_nan(abs_diff, tf.matmul(A, x + self.w))
        beta = tf.math.divide_no_nan(abs_diff, tf.matmul(A, x - self.w))
        
        LHS = Ax
        # 确保维度匹配，用broadcast_to统一形状
        cond = K.abs(LHS) < tf.broadcast_to(y, LHS.shape)
        
        lowerProj = (1 - beta) * x + beta * self.w
        upperProj = (1 - alpha) * x + alpha * self.w
        
        z = tf.where(cond, upperProj, lowerProj)
        return z

测试代码 #

# 构造测试输入
A = tf.convert_to_tensor(np.array([[1,2],[2,-1]]), dtype=tf.float32)
y = tf.constant(1, shape=(2,1), dtype=tf.float32)
x = tf.constant(0.5, shape=(2,1), dtype=tf.float32)

inputs = [x, y, A]
# 实例化Layer（无需传入任何shape参数）
nn_layer = MyLayer()
output = nn_layer(inputs)

print("Layer output:\n", output.numpy())
print("Trainable weight w:\n", nn_layer.w.numpy())

关键修改说明 #

• 将__init__改为无参数（如需配置可添加如初始化器等参数），符合TensorFlow Layer规范
• build方法接收input_shape元组，从中提取x的shape来定义可训练参数w
• call方法接收统一的inputs参数，解构后获取x/y/A
• 使用tf.math.divide_no_nan处理除法除零问题，避免训练中出现NaN
• 用tf.broadcast_to确保条件判断的维度一致，避免运算错误
• 实例化Layer时无需传入任何shape，直接调用时传入多输入张量列表

内容的提问来源于stack exchange，提问作者K. Basul